本文關鍵詞：分層極限學習機在滾動軸承故障診斷中的應用

  更多相關文章： 滾動軸承 故障診斷 自動編碼器 極限學習機

【摘要】：針對滾動軸承信號的非線性、非平穩(wěn)特性,致使軸承狀態(tài)難識別的問題,提出分層極限學習機(HELM)故障診斷模型。首先采用集合經(jīng)驗模式分解(EEMD)將軸承信號分解為若干個本征模式分量(IMFs),并提取其能量熵值構(gòu)建特征向量;其次利用自動編碼器(AE)對極限學習機的隱含層進行分層,且使隱含層節(jié)點的輸入權(quán)值和閾值滿足正交條件;最后將構(gòu)建的特征向量作為H-ELM算法的輸入,通過訓練建立H-ELM滾動軸承故障分類模型。實驗結(jié)果表明:H-ELM滾動軸承故障分類模型比SVM、ELM故障分類模型具有更高的精度、更強的穩(wěn)定性。
【作者單位】： 包頭職業(yè)技術學院;內(nèi)蒙古科技大學機械工程學院;
【關鍵詞】： 滾動軸承 故障診斷 自動編碼器 極限學習機
【基金】：國家自然科學基金(51565046) 內(nèi)蒙古自然科學基金(2015MS0512) 包頭市科技計劃發(fā)展項目(2015X2011)
【分類號】：TH133.33;TP18
【正文快照】： 滾動軸承是旋轉(zhuǎn)機械中最關鍵的一類支撐零部件,其故障直接影響設備的正常運轉(zhuǎn)。對其運行狀態(tài)的監(jiān)測及后續(xù)的故障診斷,通常采用基于振動信號的時頻域分析方法,但由于變載、摩擦、剛度等因素的影響,軸承故障振動信號常常呈現(xiàn)出非線性、非平穩(wěn)性,不能有效地檢測出故障信號,因此難

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 秦勝君;盧志平;;基于降噪自動編碼器的不平衡情感分類研究[J];科學技術與工程;2014年12期

中國碩士學位論文全文數(shù)據(jù)庫 前7條

1 梁湘群;基于Gabor特征與深度自動編碼器的笑臉識別方法[D];五邑大學;2015年

2 吳海燕;基于自動編碼器的半監(jiān)督表示學習與分類學習研究[D];重慶大學;2015年

3 林雨;極限學習機與自動編碼器的融合算法研究[D];吉林大學;2016年

4 龐榮;深度神經(jīng)網(wǎng)絡算法研究及應用[D];西南交通大學;2016年

5 李娟;基于深度學習的評價對象抽取[D];東南大學;2016年

6 尹曉燕;基于深度學習的人臉識別研究[D];天津大學;2014年

7 雒玉璽;稀疏自動編碼器及其加速算法的研究[D];蘭州大學;2014年

，

本文編號：661975